你不是在写提示词，
你是在组织一场协作
多 Agent 协作，本质上是在数字环境中模拟人类社会的分工：有人澄清需求，有人设计，有人实现，有人独立质检。自然语言不是咒语，而是把你的意图、判断标准和协作关系传达给 AI 的工作语言。
一、核心观点：从“让 AI 回答”到“让团队交付”
提出值得解决的问题，理解用户，并决定什么结果有价值。
分别承担需求、设计、实现、审查和修复等专业角色。
用独立盲审和多轮修复，减少单个 Agent 自证正确的偏差。
最终看文档、测试、变更、部署和用户反馈，而不是一句“完成了”。
二、案例：一句自然语言如何变成协作系统
打开需求 Agent，分析《octopus-rpa-app-runner 技能升级 PRD 20260806.md》还有哪些改进空间并形成需求文档；再让技术 Agent 按原始需求设计方案；随后由多个子 Agent 实现，质检 Agent 独立盲审，进入“修复 → 质检 → 修复”的闭环，迭代 5 次。
这段话没有使用复杂的“提示词技巧”，但它讲清楚了任务对象、角色分工、先后关系、质量机制和停止条件，因此足以形成一条可执行的工作流。
需求 Agent：把模糊空间变成可验收需求
阅读原始 PRD，识别缺口、冲突与风险，形成新的需求基线。
技术 Agent：把需求翻译成实现方案
设计架构、边界、修改范围、测试策略和回滚方式，但不抢跑实现。
实现 Agent：按边界并行完成工作包
将契约、核心逻辑、脚本、测试和文档分开处理，再汇总验证。
质检 Agent：独立盲审
不沿用实现者的自我解释，直接对照原始需求寻找缺陷和证据缺口。
迭代闭环：让批评真正改变结果
审查不是终点。问题回到实现环节，修复后重新质检，直到满足既定停止条件。
三、表达体系：不必背咒语，但要说清意图
- 本意：你真正想解决什么，以及为什么在意这件事。
- 文意：你实际说出来的内容、结构、边界和标准。
- 解意：AI 根据上下文、世界知识和模型能力形成的理解。
因此，提升沟通质量的关键不只是修饰句式，而是丰富经验与知识、使用准确词汇、补足上下文，并把目标、约束、角色和验收标准结构化表达。自然科学、哲学、艺术或其他看似天马行空的想法，也可以先交给能力足够强的模型共同探索；但越专业、越高风险的结论，越需要资料、实验或专家复核。
四、AI 时代更稀缺的，是人的判断
真正有价值的，不只是掌握多少技术细节，而是把独特认识转化为实际解决方案的能力。
看见表面需求背后的真实矛盾，提出值得解决的问题。
理解人的处境、动机、语言、习惯与不可妥协的边界。
判断什么清晰、协调、有感染力，并识别“能用但不够好”。
把洞察变成需求、方案和产品，在限制条件下做出选择。
AI 可以简化过程，但永远无法替代我们独特的视角和表达。
五、可复用的自然语言协作模板
背景：我们正在处理【项目 / 问题】，已有材料是【资料】。
目标：最终要得到【可检查的成果】，服务于【用户 / 场景】。
角色：先由需求 Agent 澄清缺口，再由技术 Agent 设计方案；
将实现拆给多个 Agent，最后由独立质检 Agent 盲审。
流程：需求 → 方案 → 并行实现 → 集成验证 → 盲审 → 修复 → 复审。
约束：必须保持【兼容 / 安全 / 范围边界】，不得【明确禁止项】。
验收：提供【测试结果、变更清单、风险、部署地址等证据】。
停止条件：没有高优先级问题，验收标准全部有证据，或达到【轮次】后汇报剩余风险。模板只是帮助你检查信息是否完整。表达清楚时，用日常语言一样可以驱动高质量协作。
六、延伸阅读：从想法到作品，再到产品
强调 AI 创造工作流：人负责方向、判断与审美，AI 参与梳理、实现、迭代和上线。
打开参考资料 ↗从自然语言做原型出发，逐步走向全栈开发、部署与多 Agent 团队协作。
打开参考资料 ↗参考资料用于扩展学习路径；本文的观点与案例结构根据本站 RPA 协作实践重新整理。